# metrla_dcrnn

**Repository Path**: lisheng2023/metrla_dcrnn

## Basic Information

- **Project Name**: metrla_dcrnn
- **Description**: dcrnn的mindspore实现
- **Primary Language**: Python
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2024-05-09
- **Last Updated**: 2025-04-20

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting

----------------

## DCRNN介绍


扩散卷积循环神经网络(Diffusion Convolutional Recurrent Neural Network, DCRNN)是一种基于扩散过程的交通预测模型，使用扩散卷积来捕捉空间依赖性，使用编码器-解码器架构来捕捉时间依赖性。所谓交通预测，即基于道路历史交通信息，对一定时期内的交通信息进行预测，包括但不限于交通速度、交通流量、交通密度等信息。



论文：Yaguang Li, Rose Yu, Cyrus Shahabi, Yan Liu, [Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting](https://arxiv.org/abs/1707.01926), ICLR 2018.

## 模型架构
![Diffusion Convolutional Recurrent Neural Network](./figures/dcrnn_model_architecture.png "Model Architecture")

DCRNN模型采用编码器-解码器架构，编码器包含n个自定义的DCGRUCell层，解码器包含一个全连接层和n个自定义的DCGRUCell层，其中n可通过配置文件进行修改。DCGRUCell为改良后的门控循环单元，将其中的矩阵乘法替换为扩散卷积以提取数据的空间特征，并通过单元间的信息传递捕获数据中的时间相关性。

## 环境要求


* mindspore
* scipy>=0.19.0
* numpy>=1.12.1
* pandas>=0.19.2
* pyyaml
* statsmodels
* tables


## 数据准备
METR-LA（Metro Traffic Los Angeles）数据集是一个用于交通流量预测的常用数据集，主要用于研究和评估交通预测算法的性能。该数据集包含了洛杉矶地区的交通传感器数据，可以用于建立和验证交通流量预测模型。

METR-LA数据集以`metr-la.h5` 文件形式存储。 如下是一个示例：

|                     | sensor_0 | sensor_1 | sensor_2 | sensor_n |
|:-------------------:|:--------:|:--------:|:--------:|:--------:|
| 2018/01/01 00:00:00 |   60.0   |   65.0   |   70.0   |    ...   |
| 2018/01/01 00:05:00 |   61.0   |   64.0   |   65.0   |    ...   |
| 2018/01/01 00:10:00 |   63.0   |   65.0   |   60.0   |    ...   |
|         ...         |    ...   |    ...   |    ...   |    ...   |


运行以下命令以在`data/METR-LA/processed`处生成 train/test/val 数据集

```bash
python generate_data.py --dataset METR-LA
```


为了构造传感器的路网图，通过计算两两传感器之间的路网距离来构建传感器的邻接矩阵，此处使用了带阈值的高斯核计算节点间的相似度，作为拓扑结构的邻接矩阵。

邻接矩阵数据`adj_mx.pkl`存储在`data/METR-LA/processed`下,通过设置阈值控制矩阵的稀疏化程度，距离超过阈值就认为两个节点不相关。

## 模型训练

在`DCRNN`文件夹下运行以下命令可直接开启训练。如果需要修改模型训练的参数可直接通过`DCRNN/METRLA_DCRNN.conf`配置文件进行修改。

```bash
python DCRNN_mindspore_main.py
```
训练过程中除了得到训练loss还会进行模型的测试得到MAE、RMSE和MAPE指标来衡量模型的训练效果。此外，训练过程会记录每个epoch的训练时间和测试推理时间，每轮次运行时间等有关信息会以如下形式展示：

![Diffusion Convolutional Recurrent Neural Network](./figures/training.png "Model Train")

运行log和最优模型ckpt文件将生成在`log/DCRNN/METRLA`文件下。

## 模型评估



在完成训练流程后，模型在验证集上不同预测步长(horizon)的相关指标评估结果将以如下形式展示：

![Diffusion Convolutional Recurrent Neural Network](./figures/horizon_test.png "Model Test")

下表为DCRNN模型在测试数据集上分别预测未来5分钟、15分钟、30分钟、45分钟、60分钟（即horizon分别取3、6、9、12）的交通速度的评估指标：

| Dataset  | Metric | 5min  | 15min | 30min | 60min  |
|:----------:|:--------:|:-------:|:-------:|:-------:|:--------:|
| METR-LA  | MAE    | 2.31  | 2.77  | 3.14  | 3.59   |
|          | MAPE   | 5.65% | 7.16% | 8.56% | 10.32% |
|          | RMSE   | 4.03 | 5.36  | 6.43   | 7.57   |


```{.python .input}

```